( c )
Jaringan saraf terbaik yang mengalahkan seseorang di poker, Go, catur dan DotA memiliki satu kesamaan - mereka dapat memprediksi dalam waktu dekat.
Kemampuan mesin untuk memprediksi perilaku jauh melebihi kemampuan manusia. Dalam ruang probabilitas yang berbeda, algoritma lebih baik daripada orang yang dipengaruhi oleh emosi.
Apa yang bisa diprediksi oleh jaringan saraf? Di hadapan kita ada bidang kemungkinan yang tak terbatas: pertukaran, kejahatan, cuaca, kesehatan, transportasi - di mana pun kemampuan untuk menghitung beberapa langkah ke depan akan bermanfaat. Sudah hari ini, beberapa algoritma lebih unggul dari ahli manusia. Fajar neurodnya besok tidak akan meninggalkan jejak "kabut yang tidak diketahui."
Para peneliti dari DeepMind menerbitkan sebuah makalah ilmiah di mana mereka mempresentasikan metode baru untuk memperkuat jaringan saraf. Ternyata jika dalam proses belajar mandiri jaringan saraf mulai " berfantasi " tentang berbagai pilihan untuk masa depan, maka ia belajar lebih cepat. "Fantasi" dari jaringan saraf adalah bahwa menurut tiga kerangka terakhir yang diketahui, jaringan saraf harus memprediksi hadiah yang akan diterimanya dalam interval waktu keempat yang tidak diketahui. AI menggunakan ingatannya dan menerapkan strategi baru seolah-olah dalam imajinasinya.
Semakin efektif sistem, semakin baik perkiraannya. Sekarang kita tidak bisa hanya memprediksi cuaca (dalam jangka pendek). Kita bahkan dapat "melihat" masa depan situasi ekonomi makro di berbagai wilayah kota, mengukur konsumsi air, listrik, lalu lintas (berapa banyak penumpang dalam angkutan umum dan berapa banyak di mobil kita), menambah / mengurangi konsumsi sumber daya.
Sudah sulit membayangkan ruang di mana kita bisa melakukan tanpa prediksi. Dan apakah layak untuk mengabaikannya jika algoritme memungkinkan untuk memilih strategi perilaku yang tepat?
Perilaku jalan
Para peneliti di Massachusetts Institute of Technology telah membangun sistem yang dapat memprediksi sejumlah besar peristiwa di dunia nyata. Pada awalnya, program ini dilatih pada pilihan 2 juta video online. Program ini menganalisis setiap video, mengklasifikasikan semua objek dan tindakan dalam plot.
Kemudian jaringan saraf menunjukkan gambar statis. Program ini, pada gilirannya, menghasilkan klip video 1,5 detik yang menunjukkan visi untuk waktu dekat.
Jelas, solusi semacam itu dapat digunakan tidak hanya untuk membuat GIF. Algoritma, pada prinsipnya, memungkinkan untuk "melihat" ke masa depan sistem yang kompleks, yang akan menemukan aplikasi dalam mobil otonom menganalisis situasi yang selalu berubah di jalan.
Komputer akan dapat memahami bahwa ia melihat sesuatu yang tidak biasa - misalnya, seekor binatang berlari ke jalan. Sekalipun mobil belum pernah mengalami situasi ini sebelumnya, ia akan "memahami" bahwa sesuatu yang aneh sedang terjadi - Anda harus berhenti atau memindahkan kendali ke pengemudi.
Kesehatan manusia
( c )
Para ilmuwan di Stanford University telah mengembangkan sistem kecerdasan buatan yang dapat memprediksi kemungkinan kematian pasien yang sakit parah dalam setahun dengan akurasi 90%.
Para peneliti menganalisis catatan 160.000 pasien untuk mengumpulkan data tentang diagnosis masa lalu, prosedur yang ditentukan, dan prediksi yang dibuat oleh dokter.
Setelah memproses dataset, suatu algoritma dikompilasi untuk pembelajaran mendalam dari jaringan saraf. Grid kemudian memprediksi semua penyebab kematian untuk jangka waktu 3 hingga 12 bulan untuk 40.000 pasien.
Setahun kemudian, para peneliti merangkum: dalam 90% kasus, jaringan saraf memprediksi kondisi pasien dengan benar (terlepas dari apakah ia menunggu kematiannya atau pemulihan). Indikator ini secara signifikan melebihi kemampuan bahkan sekelompok ahli medis.
Merek Teraflu telah mengembangkan sistem yang memprediksi kemungkinan masuk angin di beberapa negara, termasuk Rusia. Setiap hari, sistem menganalisis posting di jejaring sosial, permintaan di mesin pencari, data dari " Research Institute of Influenza ", serta data tentang permintaan di apotek untuk dana khusus untuk memerangi gejala dingin. Hasilnya adalah grafik "bahaya catarrhal" di wilayah tertentu dengan perkiraan selama beberapa hari. Namun, platform semacam itu menemukan aplikasi yang lebih berharga: dalam sistem Virtual Singapura sekarang Anda dapat melihat dan menganalisis kehidupan negara secara real time dan memprediksi, misalnya, penyebaran infeksi berbahaya atau reaksi sejumlah besar orang terhadap ledakan di pusat perbelanjaan.
Microsoft dan Adaptive Biotechnologies berencana untuk membuat sistem yang, berdasarkan tes darah, akan dapat mendeteksi penyakit pada tahap awal. Dengan menganalisis kode genetik dalam triliunan reseptor limfosit-T, sistem akan mengidentifikasi penyakit yang telah ditemui tubuh bahkan pada tahap tanpa gejala. Asumsinya adalah bahwa tes ini akan dapat mendeteksi berbagai macam penyakit pada suatu waktu, termasuk penyakit yang biasanya didiagnosis pada tahap yang sangat terlambat.
Sebuah kelompok penelitian dari Institut Biologi Molekuler dari Akademi Ilmu Pengetahuan Rusia, Pusat Ilmiah dan Klinis Gerontologi Rusia, Institut Fisika dan Teknologi Moskow dan pusat penelitian lainnya mempresentasikan metode untuk memprediksi usia biologis seseorang (yang berbeda dari paspor) berdasarkan data ultrasonik dari arteri karotid manusia dan tonometri. Menggunakan pembelajaran mesin , formula kompleks diperoleh yang dapat memprediksi usia orang sehat dengan akurasi 6,9 tahun untuk pria dan 5,9 tahun untuk wanita, yang merupakan indikator yang sangat tinggi dibandingkan dengan metode lain yang diketahui.
Ilmuwan Denmark telah mengembangkan jaringan saraf Corti Signal, yang melacak pesan audio untuk mendiagnosis serangan jantung. Pertama-tama, sistem harus membantu orang yang memanggil ambulans. Operator tidak selalu dapat mendeteksi serangan jantung pada seseorang di ujung lain kabel (mengatasi 73% kasus), tetapi jaringan saraf menyelesaikan masalah ini dengan akurasi 95%! AI tidak hanya mendengarkan percakapan, tetapi juga mengumpulkan sinyal non-verbal, seperti pola pernapasan.
Rupanya, di masa depan, sistem yang didasarkan pada jaringan saraf (dan metode lain) akan memungkinkan untuk memprediksi penyakit lebih awal - dalam beberapa kasus, beberapa dekade sebelum timbulnya penyakit itu sendiri.
Hal-hal cerdas tahu apa yang akan terjadi pada mereka
Bayangkan sebuah bangunan yang, bahkan sebelum kecelakaan, dapat mengatakan bahwa, misalnya, pemanasan akan segera gagal. Beberapa perusahaan menggunakan pembelajaran mesin untuk melakukan hal itu. Prosedur ini disebut pemeliharaan prediktif.
CGnal, yang berbasis di Milan, Italia, baru-baru ini menganalisis data tahunan dari sistem pemanas dan ventilasi di rumah sakit Italia. Dari sensor, data diperoleh pada suhu, kelembaban, dan penggunaan listrik. Algoritma dilatih pada sampel selama enam bulan, kemudian para peneliti memeriksanya sesuai dengan data dari paruh kedua tahun ini. Sistem memperkirakan 76 dari 124 kesalahan nyata, termasuk 41 dari 44, di mana suhu instrumen naik di atas tingkat yang dapat diterima.
Perusahaan lain juga menggunakan pendekatan yang mirip dengan data. Startup Finlandia Leanheat menempatkan sensor suhu, kelembaban dan tekanan nirkabel untuk kontrol pemanasan jarak jauh dan pemantauan kesehatan perangkat. Alih-alih mengatur pemanasan hanya dengan suhu luar, model Leanheat memperhitungkan perubahan cuaca: suhu turun menjadi nol dari 10 derajat atau naik dari -10.
Di Amerika Serikat, Augury mengembangkan Shazam untuk Mesin dengan memasang sensor akustik di mesin untuk mendengarkan perubahan yang dapat didengar dan mengidentifikasi potensi kegagalan yang akan terjadi. Namun, gadget dapat bekerja dengan perangkat yang berbeda: pelanggan dapat menghubungkan sensor ke lemari es komersial atau pemanas industri. Gadget Augury merekam getaran dan ultrasonik, mengunggahnya ke layanan cloud, tempat data dianalisis untuk memperkirakan kinerja mesin yang dikendalikan.
Audio dan data dianalisis dan disimpan sehingga suara satu perangkat klien dapat dibandingkan dengan suara yang lainnya. Idenya adalah bahwa Augury tidak perlu mengkonfigurasi perangkat lunak untuk setiap jenis perangkat. Sebagai gantinya, Anda cukup menginstal sensor dan mendengarkan perangkat untuk membuat gagasan tentang bagaimana suara itu berfungsi normal. Seiring waktu, basis data suara akan memberi tahu Anda suara spesifik apa yang mendahului jenis kerusakan tertentu.
Prakiraan cuaca
Peramalan cuaca tetap menjadi tantangan bagi sains. Kami sudah terbiasa menggunakan jaringan saraf convolutional untuk ini, tetapi kemajuan tidak berhenti. Dalam daftar Top-500 sistem komputasi paling kuat di dunia, hingga November 2016, 23 superkomputer terlibat dalam peramalan cuaca.
ClimaCell menggunakan pendekatan yang tidak terkait dengan jaringan saraf dan algoritma super-kompleks: jaringan komunikasi nirkabel bertindak sebagai sensor prakiraan cuaca - semua ini dilakukan dalam kerangka konsep nowcasting, di mana prakiraan fenomena cuaca jangka pendek dibuat dalam waktu 0-6 jam dari periode pengamatan .
ClimaCell menggabungkan beberapa level data dari jaringan nirkabel, satelit, radar cuaca dan sensor lainnya untuk membuat peta definisi tinggi. Menggunakan data dari sekitar 5.000 stasiun yang dioperasikan oleh beberapa perusahaan telekomunikasi, perusahaan membuat peta cuaca yang sangat akurat dan dapat diandalkan.
Algoritma Berbahaya
Bukan kompas itu , tapi dekat artinya
Berbagai sistem prediksi kejahatan telah diuji di AS selama beberapa tahun. Salah satu sistem pertama dari jenis ini - COMPAS - dibuat pada tahun 1998. COMPAS menganalisis 137 parameter biografis seorang terpidana, termasuk tingkat keparahan kejahatan sebelumnya, tingkat pendidikan dan pendapatan, status perkawinan dan kecanduan. Program ini juga memperhitungkan hasil tes psikologis, termasuk temperamen, selera risiko, tingkat narsisme dan kecenderungan untuk merasa bersalah. Berdasarkan data ini, COMPAS memprediksi kemungkinan kekambuhan penjahat dalam dua tahun ke depan.
Namun, di Dartmouth College, mereka melakukan studi COMPAS menyeluruh dan menyimpulkan bahwa algoritma ini sebenarnya tidak lebih akurat daripada orang kebanyakan. Program ini mampu mengidentifikasi pelaku berulang di 65% kasus. Orang-orang tanpa pendidikan khusus dan pengalaman dalam hukuman diatasi dengan tugas ini dalam 67% kasus, hanya mengetahui usia, jenis kelamin dan sejarah kejahatan para tertuduh. Selain itu, ternyata keakuratan COMPAS dapat ditingkatkan jika hanya dua parameter yang tersisa di dalamnya: usia dan informasi seseorang tentang hukuman sebelumnya.
Algoritma dapat membuat keputusan dan membuat perkiraan jauh lebih efisien daripada manusia. Orang-orang memperhitungkan faktor-faktor yang tidak penting dan mengabaikan faktor-faktor yang sangat penting, menyerah pada emosi, dan juga membiarkan diri mereka membuat keputusan sesuai dengan "naluri" internal, intuisi, atau tanpa logika sama sekali.
Namun, ini tidak berarti bahwa kita harus sepenuhnya mempercayai mesin, karena mereka juga tidak memiliki akurasi 100%.